1樓：javeme
大資料風控，基於資料表層的資訊難於解放人工，往往是事後才發現風險，將其加黑名單、加策略後，其又通過換賬號換裝置換個外衣躲避，救火式的風控非常被動、低效、低質。基於資料深層次的特徵分析才是風控的出路，欺詐的特徵找到了，外衣再怎麼變換也能自動識別出來。而圖資料庫技術是大資料關係分析的利器，基於圖譜的深層關聯關係進行挖掘、推導、聚類等（比如找號、裝置、IP、WIFI、聯絡歷史、轉賬記錄等形成的關聯圖譜），從而深度分析得出風控實體的特徵。
2樓：
我看大家大都是說信貸類，我來簡單說下非信貸類的，拋磚引玉。相比於信貸類來說，非信貸類場景複雜且多（薅羊毛，虛假點評，眾包作弊等等），label不好標。在信貸類中，至少在事後根據還款行為可以打上標籤，而在非信貸類中可能一條事件永遠也打不上可靠的標籤。
在之前我們團隊主要用的是xgboost,LR,RF等模型，也有想過委員會投票法，當然最終結果還要等時間來檢驗。其中xgboost的優點很明顯，效果好，訓練速度快。當然也不是所有資料都可以直接丟xgboost（不然的話還要我們幹嘛），之前我就碰到過一次，特徵工程沒做好，導致xgboost認為重要的指標之間有很高的相關性，這樣看上去模型效果很好，實際上是沒用的。
現在我主要的研究方向是半監督學習，這也是因為可靠的label不好找。因此考慮到是否可以用半監督演算法。
最後，第一位是資料，第二位是特徵，模型再次之。
3樓：時光修煉者
樓上有很說了很多技術方面的，這些技術的運用挖掘了使用者的還款能力、還款意願。
但還有乙個核心問題，不是用了什麼模型，而且是風控的有效性如何評價？
風控的有效性，一定是定價、准入、壞賬達到均衡。
不是簡單說好壞的二元法則，那基本上就是傳統風控，傳統風控就是一些准入條件，條件一旦達不到就拒，這跟網際網路大資料的原則是相違背的，網際網路大資料風控要實現的是「千人千面」。
4樓：張大萬
目前國內90%以上的建模團隊都使用Logistic回歸做評分卡，當然還有少數人使用決策樹，神經網路和機器學習目前還沒在此行業有顯著成果。
Logistic製作評分卡模型的衡量標準是K-S值的大小，依據資料質量和建模能力在0-0.5之間，一般在0.3以上才可用，好的模型可以達到0.35。
芝麻分模型的K-S值在0.32左右。
以上是針對主問題給的答覆，附加問題太多太散，涉及面太廣，建議題主先熟悉下這個行業以上！
5樓：Magic
首先，貌似美國基本上都用三大徵信局的資訊，最傳統的評分基本上都是用FICO來做的。同時，各家平台也會嘗試著用機器學習、神經網路等大資料處理方法，但探索的居多，有結果的少。
其次，現在國內網際網路金融基本的業務規則並沒有太大變化，大資料整體應用也只是剛剛開始（不是做一兩個分析案例那種），所以fico評分的框架思路會持續沿用，嘗試加入新的變數看看模型效果。
最後，還是看好大資料的發展，看好區塊鏈技術的發展，期待技術逆襲。
6樓：王樂石
感覺大資料對風控沒有明顯的作用。 針對消費者的小貸業務也是根據存款額，消費額來定，同樣是萬分之五的利率。邏輯和銀行是一樣一樣的。
而且借貸到期後強制扣款，這點比不上銀行。 不看好。總體上，國內對大資料抱有過高的不切實際的期待。
實際上消費者的消費決策並不能依靠過去的資料來進行判斷。 it做流程規範的空間，做娛樂的空間也是有限的。在信用社會，總會有乙隻或者無數隻豬在天上飛，問題是它們掉下來時別砸到自己。
傳統風控手段（經驗）會被大資料風控替代嗎？還是大資料只能用來輔助？
micos 傳統手段和大資料也是風控的手段，在不同的發展階段發揮著不同的作用。在以前技術手段不發達的情況下，且貸款數量也不多的情況下，通過傳統手段可以解決風控問題，而隨著技術的發展，貸款數量的急劇上公升，傳統的手段已不能滿足需求，通過機器方式 人工智慧 大資料方式則更體現出價值。金融風控由原來的規則...
大資料風控平台哪些好，有金融同行推薦下嗎，同盾或者聚信立？
真要說大資料風控，說那些虛的沒用，一看資金注入，二看資料多少，三看風控模型。資金的話比如百融金服強勢融資C輪10個億，大佬投錢公司發展就是快啊還能做金融實驗室。資料多少直接決定你大資料的採集和判斷是不是精準，最後乙個模型的建立外行你可以看看團隊，公司的團隊強人才多，那肯定沒得跑，就這個了。風控嘛，很...
大資料分析中，有哪些常見的大資料分析模型？
牛博 模型其實就是一數學函式對映，從應用層角度來看，會有一些通俗的名字,簡單羅列一下 一 使用者模型 二 事件模型 三 漏斗模型 四 熱圖分析模型 五 自定義留存分析模型 六 粘性分析 七 全行為路徑分析 八 使用者分群模型 九 Session 分析 十 間隔分析 十一 分布分析 十二 營銷廣告投放...